Bakat dan Capex adalah dua tren terpenting yang harus diperhatikan dalam AI 1/ Siapa yang harus dibangun perusahaan untuk membangun model AI 2/ Berapa banyak uang yang dimiliki perusahaan untuk melatih model generasi berikutnya Punya hari luang untuk bermain dengan 03 Pro jadi Berbagi beberapa visual dan tabel tentang topik 🧵 ini

Arus Bakat Sejak Awal Tahun Dari 100 orang teratas di AI, @meta yang paling banyak menarik (+11), diikuti oleh @thinkymachines (+5), @xai (+4), @Microsoft (+3) dan @AnthropicAI (+2) @OpenAI memiliki arus keluar bakat terbesar (-19) Microsoft memperoleh bakat infleksi, Google untuk karakterAI dan OpenAI ke Meta sebagian besar dan SSI/TM Zuckberg meyakinkan.

Proyeksi Belanja Modal hingga 2030 Sebagian besar berpikir kita mencapai AGI pada tahun 2030, jadi sepertinya cocok. Distribusi hukum daya besar-besaran dengan Microsoft, Google, OpenAI, dan Meta menghabiskan paling banyak (76% dari total pengeluaran!) Bagan ini akan terbukti sangat salah saat perusahaan IPO, meningkatkan pendapatan berulang, meningkatkan modal dan membelanjakannya untuk pelatihan berjalan. Sangat sulit untuk mengeluarkan belanja modal juga, jadi saya berasumsi ini salah tetapi benar secara arah.

Saya berbicara dengan OpenAI o3 Pro Sepanjang hari, jadi apa pendapatnya tentang percakapan kami? - Pengeluaran masih membeli kepemimpinan tetapi setiap titik kinerja tambahan sekarang lebih mahal secara eksponensial sehingga kami berada dalam rezim pengembalian yang berkurang yang jelas - Pasokan GPU telah menjadi gerbang pamungkas. Siapa pun yang mengunci kapasitas Nvidia Blackwell atau MI300 hingga 2027 mempertahankan keunggulan struktural - Bakat penelitian elit tersebar ke laboratorium ventura yang lebih kecil dan penantang Tiongkok yang mencairkan monopoli DeepMind / OpenAI yang bersejarah dan meningkatkan risiko eksekusi bagi petahana - Kedalaman neraca menentukan stamina: Meta Google Microsoft Amazon dapat mendanai sendiri kluster multi-miliar sementara OpenAI Anthropic xAI harus terus memanfaatkan uang tunai eksternal dengan taruhan yang semakin tinggi - Terobosan efisiensi algoritmik seperti MoE besar DeepSeek dan peta jalan Llama sumber terbuka Meta dapat membalikkan perlombaan dengan memangkas biaya per poin skor dengan urutan besarnya

Inferensi Waktu yang Dihabiskan Saya mungkin menggunakan 3-4 jam o3 Pro Deep Research Thinking Time. Lakukan dengan itu apa yang Anda inginkan. Ini semua jauh dari sangat benar mengingat masalah transparansi, masalah perincian belanja modal, dan sejenisnya. Anda dapat belajar BANYAK dengan 03 Pro sepanjang hari. Pergi makan malam!

Jika Anda adalah pendiri AI tahap awal yang meningkatkan modal, silakan hubungi kami Saya ingin berbicara!

Kirimkan dokumen atau dek Anda ke @VenturesRobot AI saya dan saya akan melihatnya atau DM!